群体发现与加入行为的随机搜索优化算法

“引入群体发现和加入行为的随机搜索算法 随机搜索算法.pdf” 本文主要探讨了在解决优化问题时，如何改进随机搜索算法的效率和全局寻优能力。针对自由搜索算法（Free Search Algorithm）及自适应随机搜索（Adaptive Stochastic Search, ASS）算法存在的效率低下和优化能力不足的问题，作者王虹、卫军胡、刘昌军和曹建福提出了一种新的算法——基于群体发现和加入行为的随机搜索算法（Hybrid Adaptive Stochastic Search, HASS）。 HASS算法的核心改进包括以下几个方面： 1. **搜索半径的自适应调整策略**：为了提高搜索效率，HASS算法引入了动态调整搜索半径的方法，这使得算法能够在不同阶段根据搜索情况自动调整探索范围，从而更有效地寻找全局最优解。 2. **区域混合搜索策略**：该策略鼓励群体中的不同个体执行不同的搜索任务，一部分个体负责全局搜索，而另一部分则专注于局部搜索。这种混合策略能够平衡全局探索和局部挖掘，防止算法过早收敛。 3. **状态评估和变异策略**：通过对个体的状态进行评估，HASS算法可以识别并引入变异策略，防止算法陷入局部最优。这有助于算法跳出局部极值，增强全局寻优能力。 与ASS算法相比，HASS算法在解的选择机制和搜索策略上有显著区别。它不仅接纳最优个体，还接纳相对较差的个体，为这两类个体设计不同的优化策略，为搜索过程提供了更多的方向和可能性，从而提高了跳出局部最优和寻找全局最优的能力。 实验结果显示，HASS算法在12个标准测试函数上的寻优成功率达到了100%，并且表现出比其他四种算法更快的收敛速度和更强的全局搜索性能。这表明HASS算法尤其适用于解决复杂函数优化问题。 关键词涉及的领域包括集群智能、自由搜索算法、发现者加入者模型和区域混合搜索策略。根据中图分类号，该研究属于计算机科学和技术中的数值计算和计算技术类别。 HASS算法是针对传统随机搜索算法的优化，通过引入群体发现和加入行为，以及一系列创新的搜索策略，提升了算法在复杂优化问题中的性能，对于优化领域的研究有着重要的理论价值和应用前景。